Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recebido/Submission: 01/12/2018
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 07/02/2019
Pedro Rodas D.1, Rodrigo Guamán2, Eliezer Colina Morles3, Mario Peña4, Lorena
Siguenza-Guzmán5
1,2,3,4,5
Universidad de Cuenca, 010203, Cuenca, Ecuador.
Pages:581–594
1. Introducción
La gestión en la organización direcciona la utilización de recursos para minimizar costos,
lo que resalta la importancia de la medición del trabajo en los pilares económico, social,
organizacional y productivo (Cáceres Cárdenas et al., 2015). Frecuentemente, en el pilar
productivo, las empresas ensambladoras buscan eliminar tareas innecesarias con el fin
de simplificar y combinar operaciones. Esto conlleva a la realización de mediciones para
incrementar la eficiencia y establecer estándares en métodos, materiales, herramientas
y equipos de trabajo (Wu, Zhao & Tong, 2018).
Para el cálculo de estándares en producción existen técnicas básicas que reflejan la
medición del trabajo. Estas técnicas están divididas en métodos de observación directa y
de observación indirecta. En los métodos directos, se utiliza un cronómetro para medir
los tiempos y muestreo del trabajo, lo que conduce a registros de las observaciones
aleatorias de la persona. Los métodos indirectos, se formulan a través de sistemas de
datos predeterminados de tiempos y movimientos (Chase, Jacobs y Alquilano, 2009),
utilizados especialmente para trabajos repetitivos sumamente detallados. Por otra
parte, la incertidumbre al realizar un estudio de tiempos surge de la variabilidad de los
datos y de la subjetividad humana, que conduce a imprecisiones al observar o medir
valores de una variable, tanto por parte del instrumento de medida como por parte del
observador que la realiza (Zohoori et al., 2019). El enfoque en la subjetividad humana
se ha direccionado en el estudio de un campo de análisis de decisión como es la toma
de decisiones difusas, la cual incorpora la imprecisión en la formulación de modelos y
procesos de solución (Silva, 2018).
Este estudio plantea una formulación matemática, aplicando programación lineal
clásica, que permita estimar tiempos máximos y mínimos, enlazando variables y
restricciones, para luego introducir los mismos en un modelo difuso, basado en reglas de
“Mamdani”, e implantarlo usando la herramienta “Fuzzy Logic” de MatLab. El modelo
de programación lineal clásica se basó en la minimización de una función objetivo que
involucra: variables de calificación ponderada del operario, parámetros constantes,
restricciones cómo SET-UP y tiempos de “Confiabilidad”.
2. Materiales y métodos
Esta sección describe la metodología utilizada en el caso de estudio e incluye tres nociones
básicas: obtención del tiempo estándar, basándose en el método del cronómetro;
programación lineal clásica y lógica difusa con reglas tipo Mamdani.
2.2. Metodología
El análisis de los procesos se lo realizó estudiando previamente los diagramas de
procesos (DPO) con la finalidad de reducir deficiencias en producción, y mejorar la
distribución de los equipos y áreas donde se realizaban las actividades. Otra herramienta
utilizada fue el diagrama del proceso de recorrido (DPR) que permitió ver la trayectoria
de un producto por las diferentes etapas de manufactura y ensamble. Para el cálculo del
tiempo estándar por cronómetro se siguió la metodología propuesta por García Criollo
(1998), que describe la medición del trabajo en busca de establecer tiempos que sirvan
de modelo para su ejecución.
Tabla 1 – Número de operarios y límite de días por subproceso (Castro et al., 2019)
(1)
El número de observaciones “N” para el cálculo del tiempo normal está dado por la
fórmula estadística de la ecuación 2 (Niebel & Freivalds, 2009).
(2)
Donde:
N= número de mediciones.
= error expresado en forma decimal.
= la media aritmética de los tiempos de reloj.
= desviación típica.
K = coeficiente de riesgo (Niebel & Freivalds, 2009).
El número necesario de observaciones se obtiene con un tiempo de reloj representativo
de un porcentaje de error (e%) y un porcentaje dado de riesgo (R%), al cual le corresponde
un valor de coeficiente de riesgo K en la forma siguiente:
K = 1 para riesgo (R) de error de 32%.
K = 2 para riesgo (R) de error de 5%.
K = 3 para riesgo (R) de error de 0.3%.
Por otro parte, la desviación típica de los tiempos de reloj se presenta en la
ecuación 3.
(3)
Donde,
= los valores obtenidos de los tiempos de reloj.
= la media aritmética de los tiempos de reloj.
n= frecuencia de cada tiempo de reloj tomado.
Dado que existen casos que poseen tiempos altos, como la preparación de materia
prima, transporte, calibraciones y cambios de matriz de cada subproceso, el número de
observaciones fue calculado según la tabla General Electric (García Criollo, 1998).
Para el cálculo del tiempo promedio observado, “ se realiza una sumatoria de las
lecturas de cada actividad dividida entre el número de lecturas consideradas, tal como lo
sugiere la ecuación 4 (Niebel y Freivalds, 2009).
(4)
El tiempo normal, “TN”, se calculó por medio del producto entre el tiempo promedio y un
factor de valoración asociado con la actuación de las personas que realicen la actividad,
según lo especificado en la ecuación 5.
(5)
Finalmente, para el cálculo del tiempo estándar, “TE”, se calificó primero los
denominados suplementos, tanto constantes como variables, tal como aparece descrito
en García Criollo (1998), utilizando la ecuación 6.
(6)
(7)
sujeto a restricciones como las presentadas por las ecuaciones 8-10 y a restricciones de
no negatividad como las presentadas en 11.
(8)
(9)
(10)
(11)
Donde:
= Variable de decisión.
j = Nivel de actividad.
= Medida de efectividad global seleccionada (función objetivo).
= Incremento que resulta en Z por cada incremento unitario en .
= Cantidad disponible de recurso i (parámetro del modelo).
(12)
Tmax
Tpequeñomáx Tmediomáx Tgrandemáx
Tpequeñomin TEstándarmuy pequeño TEstándarpequeño TEstándarmedio
usando conectores lingüísticos del tipo SI, Y, ENTONCES. Los conjuntos difusos del
antecedente se asocian mediante operaciones lógicas difusas del tipo Y u O (Soriano
Méndez et al., 2000; Urrutia y Sernaque, 2014). La “aritmética difusa” incluye
operaciones básicas de unión, intersección y negación, aplicadas sobre conjuntos difusos
(Soriano Méndez et al., 2000; Urrutia y Sernaque, 2014).
El método de “Defuzzificación” es la etapa final del procesamiento lógico difuso, que
permite convertir un conjunto difuso en un número real. El proceso es posterior a
la realización de la inferencia difusa, que en este caso, está basada en el método de
Mamdani por mínimos (Cardona, Hoyos & Ruiz, 2009).
(13)
3.3. Restricciones
Las restricciones se plantearon de manera matemática de acuerdo a las limitaciones
de la producción de bicicletas. Las restricciones para el estudio fueron las siguientes:
capacidad–empleado, descrita por la ecuación 14, rendimiento laboral, modelado por
las ecuaciones 15 y 16, e inventario por subproceso, dado por la ecuación 17.
(14)
(15)
(16)
(17)
(18)
(19)
(20)
(21)
Reglas de Mamdani
1 If (Tmin is Tpq) and (TMax is Tpq) then (TEstandar is TEmpq)(1)
2 If (Tmin is Tpq) and (TMax is Tm) then (TEstandar is TEpq)(1)
3 If (Tmin is Tpq) and (TMax is Tpq) then (TEstandar is TEmpq)(1)
4 If (Tmin is Tm) and (TMax is Tpq) then (TEstandar is TEpq)(1)
5 If (Tmin is Tm) and (TMax is Tm) then (TEstandar is TEm)(1)
6 If (Tmin is Tm) and (TMax is Tg) then (TEstandar is TEg)(1)
7 If (Tmin is Tg) and (TMax is Tpq) then (TEstandar is TEm)(1)
8 If (Tmin is Tg) and (TMax is Tm) then (TEstandar is TEg)(1)
9 If (Tmin is Tg) and (TMax is Tg) then (TEstandar is TEmg)(1)
TMin TMax
MODELO DE BICICLETA
Tpequeño Tmedio Tgrande Tpequeño Tmedio Tgrande
(PROPUESTO)
MODELO BICI 1A [374.9 377.3 379.6] [376.5 379.6 383.4] [378.5 380.9 385.4] [380.5 384.6 388.4] [382.5 386.6 390.4] [385.2 389.2 393.2]
MODELO BICI 1B [315.9 318.9 321.7] [317.0 320.4 323.8] [319.7 321.8 325.6] [323.3 327.7 331.8] [325.4 329.0 333.1] [328.8 331.4 336.2]
MODELO BICI 2A [362.4 365.7 368.0] [364.9 367.3 370.6] [366.6 369.8 372.3] [369.9 373.3 377.8] [372.5 376.4 380.6] [374.9 379.0 383.1]
MODELO BICI 3A [410.0 413.5 416.6] [412.8 415.4 418.7] [414.9 417.3 420.9] [417.0 421.5 425.6] [420.8 424.4 428.7] [424.9 428.2 432.6]
MODELO BICI 3B [449.4 452.1 455.0] [451.4 453.8 455.0] [453.8 456.0 459.2] [457.4 461.1 465.0] [460.4 464.6 468.3] [465.2 469.3 473.9]
MODELO BICI 3C [393.2 396.8 399.1] [395.3 398.5 401.6] [397.0 400.6 403.8] [403.2 407.8 411.1] [406.3 410.5 414.6] [409.9 413.6 417.8]
MODELO BICI 3D [446.6 449.5 452.9] [448.3 451.0 452.6] [450.9 453.2 456.4] [455.6 459.5 464.0] [458.3 462.3 466.0] [463.0 468.1 472.6]
MODELO BICI 3E [367.0 370.3 373.3] [369.8 372.4 375.1] [371.4 374.7 377.8] [375.0 379.3 383.3] [378.8 382.4 386.6] [383.9 388.6 393.1]
MODELO BICI 3F [481.3 484.6 487.2] [483.2 485.9 488.3] [485.3 488.1 491.7] [519.3 523.6 527.2] [522.0 526.1 530.3] [525.3 529.3 533.9]
MODELO BICI 3G [476.7 479.2 482.8] [478.7 481.9 484.3] [480.1 483.1 486.7] [519.3 523.6 527.2] [522.0 526.1 530.3] [526.3 530.3 534.9]
MODELO BICI 3H [429.8 432.9 435.5] [431.1 434.2 437.2] [433.2 436.4 439.5] [432.8 436.9 440.5] [434.1 438.2 442.2] [438.2 442.4 446.5]
MODELO BICI 4A [316.4 319.2 322.4] [318.0 321.7 324.5] [320.6 323.5 326.1] [319.4 324.2 328.4] [321.0 325.7 329.5] [325.6 329.5 333.8]
Los límites superior e inferior del universo de discurso de las variables corresponden a
los valores mínimos y máximos obtenidos del modelo de programación lineal clásico.
Para propósitos ilustrativos, la Figura 2 describe las funciones de pertenencia de la
variable de salida para el tipo de bicicleta 1A.
5 Resultados
La Figura 3 muestra gráficos de un procesamiento del modelo usando MatLab hasta
la obtención del valor del tiempo estándar, marcado en color rojo. Adicionalmente, en
las Figuras 3a y 3b se incluyen 1) la salida del modelo de lógica difusa y 2) el estado
de las reglas del modelo de lógica difusa respectivamente, para el modelo de bicicleta
1A. El resultado del tiempo estándar se basó en el método de “Defuzzificación” de tipo
centroide. Como resultado, al comparar con los valores de tiempos estándar obtenidos
por cronómetro, hubo un margen de error entre 5% y 9%, tal como se muestra la Figura 4.
Figura 3 – Procesamiento del modelo con MatLab. Tiempo estándar marcado en rojo. (a) Salida
del modelo lógico difuso. (b) Combinación de las reglas vs Salida – Método Centroide
6. Discusión
El presente artículo mostró un método para la construcción de modelos matemáticos
para la estimación de tiempos estándar en la industria de ensamble de bicicletas. El
método consta de dos partes: 1.- la determinación de los tiempos mínimos y máximos
en las líneas de ensamble usando un modelo de programación lineal, que considera
aspectos que afectan desempeños en los subprocesos, como adaptación al puesto de
trabajo, experiencia de los operarios, responsabilidad y confiabilidad operacional. 2.- la
determinación de tiempos estándar usando un modelo lógico difuso cuyas entradas son
los tiempos mínimos y máximos obtenidos con programación lineal.
Tiempo estándar
Tiempo medio Tiempo estándar MLD
Modelo de bicicleta por cronómetro
observado (minutos) (minutos)
(minutos)
Tabla 6 – Tiempo Estándar (Método del cronómetro) vs. Tiempo Estándar (estimado).
*MLD=Modelo de Lógica Difusa
Figura 5 – Comparación de Tiempos Medio Observado (TMO), Tiempos Estándar por el Método
del Cronómetro y Tiempos Estándar por Modelo Lógico Difuso
El modelo lógico difuso usa reglas del tipo Mamdani y facilita la estimación de tiempos
estándar en las líneas de ensamble amalgamando factores de incertidumbre presentes
cuando se utiliza otro método de cálculo, como el método del cronómetro.
7. Conclusiones
El estudio está divido por dos secciones, la primera sección analiza el marco general de
la producción de bicicletas con la finalidad de conocer habilidades, entorno y ambiente
de trabajo que permitan evaluar el tiempo estándar en base a mediciones de tiempos por
cronómetro; la segunda parte, propone la construcción de modelos matemáticos, uno de
programación lineal para estimar tiempos máximos y mínimos y otro basado en lógica
difusa para estimar tiempos estándar en las líneas de ensamble.
El modelo de programación lineal fue resuelto mediante “Excel-Solver” y las variables
planteadas además de estar vinculadas con el entorno del operario, pueden ser afectadas
por el comportamiento de la persona y la ocurrencia de fallas operacionales. Los
resultados obtenidos en el proceso “Defuzzificación” tienen un margen de error entre
5% a 9%, comparados con el tiempo estándar resuelto por el método del cronómetro.
Operacionalmente, esto conduce a sugerir la reducción de recursos operativos/
ambientales del entorno de producción y del trabajador.
Agradecimientos: Este trabajo es parte del proyecto “Modelo de Gestión para la
Optimización de Procesos y Costos en la Industria de Ensamblaje”, ganador del XV
Concurso Universitario de Proyectos de la Dirección de Investigación de la Universidad
de Cuenca. Los autores agradecen a los directivos de la empresa caso de estudio, así
como brindan un especial agradecimiento a los miembros del equipo del proyecto.
Referencias
Berrocal Berrocal, F. (2016). Análisis comparativo de tres métodos de valoración de
puestos de trabajo (Tesis Doctoral). Universidad Complutense de Madrid, Madrid,
España. Recuperado de https://eprints.ucm.es/38833/
Bouza, A., y Alimenti, O. (2010). Microcontroladores Estándar en el Desarrollo de
Sistemas de Lógica Difusa, 1–16.
Cáceres Cárdenas, D., Reyes Vásquez, J. P., García Carrillo, M. G., y Sánchez Rosero,
C. H. (2015). Modelo de programación lineal para planeación de requerimiento de
materiales. Revista Tecnológica ESPOL - RTE, 28(2), 24–33.
Cardona, J. E., Hoyos, J. G., & Ruiz, C. C. (2009). Fuzzy state control of a 2GdL helicopter.
Scientia et Technica, 1(41), 69–74.